开始使用

YOLOv8 与 PP-YOLOE+

在快速发展的计算机视觉领域,选择合适的目标检测模型,对于平衡推理速度和准确率至关重要。对行业影响深远的两种代表性模型是 Ultralytics YOLOv8 和 PP-YOLOE+。本指南提供技术对比,帮助开发者和机器学习工程师了解两者架构、性能指标和理想部署场景的差异。

Ultralytics YOLOv8:多功能生态系统标准#

YOLOv8 由 Ultralytics 推出,迅速在生产视觉应用中得到广泛使用。它在多年 YOLO 研究的基础上构建,能够在多种任务中提供出色的性能。

架构创新与多功能性#

YOLOv8 采用无锚框设计,并加入解耦检测头,分别处理分类和回归任务。这种结构优化有助于更好地表示特征并加快训练收敛。

与许多专用模型不同,YOLOv8 支持多种任务。除了边界框检测外,同一套统一架构和 API 还原生支持实例分割、图像分类、姿态估计和旋转边界框 (OBB)。

精简开发流程

统一的 Ultralytics 生态系统让开发者只需更换模型权重,就能在检测、分割和姿态估计任务之间切换,从而减少技术债务。

PP-YOLOE+:PaddlePaddle 中的无锚框检测#

PP-YOLOE+ 是在早期 PP-YOLO 版本基础上的演进版本,旨在通过百度的 PaddlePaddle 框架实现高效运行。

进一步了解 PP-YOLOE+

架构重点#

PP-YOLOE+ 引入 CSPRepResNet 主干网络,并实现高效任务对齐检测头 (ET-head),以提高检测准确率。它高度依赖 PaddlePaddle 深度学习框架。虽然它在 COCO 数据集等标准基准数据集上准确率很高,但其实现与 PaddlePaddle 生态系统绑定,因此难以集成到更广泛 AI 社区常用的标准 PyTorch 或 TensorFlow 流水线中。

性能与指标对比#

将模型部署到边缘设备或云服务器时,准确率(mAP)、速度和参数量之间的平衡至关重要。Ultralytics 模型以训练内存需求低、推理速度快而著称。

下方是使用 COCO val2017 评估的模型详细对比表。

模型尺寸
(像素)
mAPval50-95速度
CPU ONNX
(毫秒)
速度
T4 TensorRT10
(ms)
参数
(M)
FLOPs
(B)
YOLOv8n64037.380.41.473.28.7
YOLOv8s64044.9128.42.6611.228.6
YOLOv8m64050.2234.75.8625.978.9
YOLOv8l64052.9375.29.0643.7165.1
YOLOv8x64053.9479.114.3768.2257.8
PP-YOLOE+t64039.9-2.844.8519.15
PP-YOLOE+s64043.7-2.627.9317.36
PP-YOLOE+m64049.8-5.5623.4349.91
PP-YOLOE+l64052.9-8.3652.2110.07
PP-YOLOE+x64054.7-14.398.42206.59

权衡分析#

PP-YOLOE+x 的 mAP 略高于 YOLOv8x(54.7 对 53.9),但需要多出 3000 多万个参数。在小型和中型模型中,两系列表现接近;PP-YOLOE+ 的 FLOPs 更少,而且此表中只有 YOLOv8 报告了 CPU ONNX 速度。轻量级 YOLOv8n 仅需 3.2M 个参数和 8.7B FLOPs,是本次对比中最小的模型;不过,PP-YOLOE+t 仅用 4.85M 个参数就取得了更高的 mAP(39.9 对 37.3)。

与大型基于 Transformer 的架构相比,YOLO 模型在训练期间通常也占用更少内存。CUDA 内存占用较高的模型往往需要昂贵的硬件,而 YOLOv8 可以在消费级 GPU 上高效训练。

生态系统、易用性与部署#

用户体验是这些架构之间的一项重大差异。

Ultralytics Platform 和 Python 包共同构成了维护良好的生态系统,降低了机器学习运维的使用门槛。它们提供简单的 API、详尽的文档,以及用于数据记录、超参数调优和跨平台导出的原生工具。无论你需要通过 ONNX、TensorRT 还是 CoreML 部署,Ultralytics 都能处理转换过程。

相比之下,使用 PP-YOLOE+ 通常需要深入了解 PaddlePaddle 框架。若要将这些模型转换为能在标准 NVIDIA GPU 或 Paddle 生态系统之外的边缘设备上高效运行,往往需要多个步骤,且缺少 Ultralytics 工具所提供的导出自动化功能。

使用 Ultralytics 高效训练#

训练 Ultralytics 模型所需的样板代码很少。以下示例使用 Python 训练 YOLOv8 模型并将其导出为 TensorRT 格式:

from ultralytics import YOLO

# 加载一个预训练的 YOLOv8 small 模型
model = YOLO("yolov8s.pt")

# 使用 COCO8 示例数据集训练模型
results = model.train(data="coco8.yaml", epochs=100, imgsz=640, device=0)

# 快速导出已训练的模型,以便通过 TensorRT 部署
model.export(format="engine", device=0)

用例与建议#

在 YOLOv8 和 PP-YOLOE+ 之间进行选择,取决于你的具体项目需求、部署限制和生态系统偏好。

何时选择 YOLOv8#

YOLOv8 适用于:

  • 多任务灵活部署:项目需要在 Ultralytics 生态系统中使用经过验证的模型来完成检测、分割、分类和姿态估计。
  • 成熟的生产系统: 已经基于 YOLOv8 架构构建、并拥有稳定且经过充分测试的部署流水线的现有生产环境。
  • 广泛的社区与生态系统支持: 能够受益于 YOLOv8 丰富教程、第三方集成和活跃社区资源的应用。

何时选择 PP-YOLOE+#

以下情况推荐使用 PP-YOLOE+:

  • PaddlePaddle 生态系统集成:基础设施已基于百度 PaddlePaddle 框架及其工具构建的组织。
  • Paddle Lite 边缘部署:部署到专门针对 Paddle Lite 或 Paddle 推理引擎进行了高度优化的推理内核的硬件上。
  • 高精度服务端检测:在强大的 GPU 服务器上优先追求最高检测准确率,且不受框架依赖限制的场景。

何时选择 Ultralytics (YOLO26)#

对于大多数新项目,Ultralytics YOLO26在性能与开发体验之间实现了最佳平衡:

  • 无 NMS 边缘部署:需要稳定、低延迟推理,同时不想处理非极大值抑制(NMS)后处理复杂性的应用。
  • 仅使用 CPU 的环境: 没有专用 GPU 加速的设备;YOLO26 的 CPU 推理速度最高可提升 43%(YOLO26n 对比 YOLO11n),具有决定性优势。
  • 小目标检测:具有挑战性的场景,例如无人机航拍图像或 IoT 传感器分析。在这些场景中,ProgLoss 和 STAL 可以提升微小目标的检测精度。

展望未来:YOLO26 的优势#

对于新应用,Ultralytics YOLO26 于 2026 年 1 月发布,凭借以下特性取代 YOLOv8 和 YOLO11:

  • 端到端无 NMS 设计:YOLO26 的可选一对一检测头(nms=False)无需进行 NMS 后处理,降低延迟波动并简化部署逻辑。
  • MuSGD 优化器:这种结合 SGD 和 Muon 的混合优化器将大语言模型训练技术引入视觉 AI,有助于提升训练稳定性并加快收敛。
  • CPU 推理速度最高提升 43%:移除 Distribution Focal Loss (DFL) 并采用更轻量的检测头后,YOLO26n 在 CPU 上的速度最高可比 YOLO11n 快 43%,非常适合物联网和移动应用。
  • ProgLoss + STAL:渐进式损失与小目标感知标签分配 (STAL) 可提升小目标检测性能,这对无人机分析和航空影像至关重要。
升级建议

虽然 YOLOv8 依然可靠且支持完善,但对于新的企业和研究项目,推荐使用YOLO26架构,因为它具有更高准确率、更快的 CPU 推理速度和原生端到端处理能力。

结论#

YOLOv8 和 PP-YOLOE+ 都推动了实时检测技术的发展。不过,对大多数开发者和研究人员来说,Ultralytics YOLOv8 及其后继版本 YOLO26 是更实用的选择:直观的 API、活跃的开源社区、较低的训练内存需求和统一的多任务框架,能够简化从创建数据集到生产部署的整个流程。

评论1

提出问题、分享结果,或帮助其他人。

  1. godm4352GitHub(已编辑)

    Very informative comparison! PP-YOLOE+ is known for its powerful backbone and enhanced post-processing strategies, delivering strong performance on benchmark datasets. However, this YOLOv8 comparison highlights v8’s advantages in terms of model simplicity, faster inference speed, and ease of integration into production pipelines. Both models have their own strengths depending on whether the focus is on raw accuracy or real-time deployment.